記事「金融時系列における共形予測の考察」についてのディスカッション
非常に興味深く、内容も充実した記事です。もう一度読み返し、自分のMT5ターミナルでこのアプローチを実装してみようと思います。著者に感謝します。
私は流体力学や空気力学の分野でコンフォーマル写像を使ってきましたが、これを金融の時系列データに応用するというのは興味深いですね。著者の意見にすべて同意するわけではありませんが、それでも敬意を表します。
こんにちは。fixing_lib モジュールの添付を忘れているようです。このモジュールは mapie_causal.py ファイルでインポートされています。
素晴らしい仕事ですね！ご協力、本当にありがとうございます。少し調整を加えましたが、完璧に動作しています。
取引の機会を逃しています。
- 無料取引アプリ
- 8千を超えるシグナルをコピー
- 金融ニュースで金融マーケットを探索
新しい記事「金融時系列における共形予測の考察」はパブリッシュされました:
MAPIE (Model agnostic prediction interval estimator) は、機械学習モデルにおける不確実性の定量化とリスク管理のために設計されたオープンソースのPythonライブラリです。これは、回帰問題に対する予測区間や、分類および時系列に対する予測集合を計算することを可能にします。この不確実性評価は、特別な「キャリブレーションセット」のデータに基づいて実行されます。
MAPIEの主要な利点の一つは、そのモデル非依存的な性質です。これは、このライブラリがscikit-learn APIと互換性のあるあらゆるモデルで使用できることを意味し、適切なラッパーを介することでTensorFlowやPyTorchを用いて開発されたモデルも含まれます。この特性は、既存の分析パイプラインへの統合を大幅に簡素化します。というのも、トレーダーは通常、対象資産クラスや取引戦略に応じて、伝統的な統計的アプローチから複雑なニューラルネットワークまで、さまざまな機械学習モデルを利用しているからです。不確実性の定量化を組み込むために、実績のあるモデルをシームレスに利用できる能力は、実装コストを大幅に削減し、導入を加速させます。これは、特に変化の激しい金融環境において価値があります。
このライブラリはscikit-learn-contribエコシステムの一部であり、共形予測(CP, conformal prediction)と分布非依存推論(distribution-free inference)に基づいています。これは、モデルや用途に依存しない査読済みアルゴリズムを実装しており、データやモデルに対する仮定を最小限に抑えながら理論的保証を提供します。標準的な分類を超えて、MAPIEは、多クラス分類やコンピュータビジョンにおける画像セグメンテーションといった、より複雑なタスクに対するリスク制御も可能です。その際、再現率や適合率などの指標について確率的保証を提供します。
作者: dmitrievsky